TL; DR我的模型训练了1个时期 - 用于测试目的。然而，当多次评估时，每次我使用相同的训练数据运行evaluate_generator方法时，它会产生不同的准确度。为什么会发生这种情况，有多少方法可以在同一模型上多次评估相同的训练数据时获得相同的准确率？
我正在研究对话行为分类的语言问题，我的模型基于this论文。使用keras和keras_contrib存储库提供的工具，我正在复制确切的模型，但我对为什么评估给出不同的准确率有疑问。
作为参考，我训练了一个时期的模型，然后使用save_load_utils模块提供的实用程序keras_contrib将训练好的模型保存在文件中。但是，每当我使用那些经过单个时期训练的权重运行模型时，我就会得到不同的准确率。我尝试了5到10次，它的范围在68％到74％之间，相当大。当我加载预训练（即1个纪元）模型权重时，我期望获得相同的准确度。 （即没有浮点数的任何精度差异）但是，这个速率的结果的变化表明我可能做错了什么。
有没有人知道为什么model.evaluate_generator方法每次运行相同的权重时都会生成如此不同的结果，即使我使用相同的，1-epoch训练模型的权重来评估它？有没有办法修复我的评估代码，以便每次评估时，相同训练模型获得的准确度是否相同？ （即考虑因浮点运算引起的任何微小差异）
以下是所有相关代码。与标准的StackOverflow问题相比，代码示例有点冗长，但我希望包含代码的所有相关部分。向Python程序员道歉代码的长度。我是一名新手Python程序员，我可能用更简洁，Python惯用的方式对整个事物进行编码。
模型制备尾声：
def prepare_kadjk_model(max_mini_batch_size,
max_conversation_length, timesteps, num_word_dimensions,
word_to_index, word_vec_dict,
num_tags):
#Hyperparameters
m = timesteps
h = timesteps
model = Sequential()
dictionary_size = len(word_to_index) + 1
embedding_weights = numpy.zeros((dictionary_size, num_word_dimensions))
for word, index in word_to_index.items():
embedding_weights[index, :] = word_vec_dict[word]
# define inputs here
embedding_layer = Embedding(dictionary_size, num_word_dimensions,
weights=[embedding_weights],
embeddings_regularizer=regularizers.l2(0.0001))
model.add(TimeDistributed(embedding_layer,
input_shape=(max_conversation_length, timesteps)))
model.add(TimeDistributed(Bidirectional(LSTM(m // 2, return_sequences=True,
kernel_regularizer=regularizers.l2(0.0001)))))
model.add(TimeDistributed(Dropout(0.2)))
model.add(TimeDistributed(GlobalMaxPooling1D()))
model.add(Bidirectional(LSTM(h // 2, return_sequences = True,
kernel_regularizer=regularizers.l2(0.0001)), merge_mode='concat'))
model.add(Dropout(0.2))
crf = CRF(num_tags, sparse_target=False, kernel_regularizer=regularizers.l2(0.0001))
model.add(crf)
model.compile(optimizer, loss = crf_loss,
metrics=[crf_accuracy])
return model
批量准备功能：
def form_mini_batches(dataset_x, max_mini_batch_size):
num_conversations = len(dataset_x)
# Form mini batches of equal-length conversations
mini_batches = {}
for i in range(num_conversations):
num_utterances = len(dataset_x[i])
if num_utterances in mini_batches:
mini_batches[num_utterances].append( i )
else:
mini_batches[num_utterances] = [ i ]
# Enforce max_batch_size on previously formed mini batches
mini_batch_list = []
for conversations in mini_batches.values():
mini_batch_list += [conversations[x: x + max_mini_batch_size] for x in range(0, len(conversations), max_mini_batch_size)]
return mini_batch_list
def kadjk_batch_generator(dataset_x, dataset_y, tag_indices,
mini_batch_list, max_conversation_length,
timesteps, num_word_dimensions, num_tags,
word_index_to_append, tag_index_to_append):
num_mini_batches = len(mini_batch_list)
# Shuffle the order of batches
index_list = [x for x in range(num_mini_batches)]
random.shuffle(index_list)
k = -1
while True:
k = (k + 1) % len(index_list)
index = index_list[k]
conversation_indices = mini_batch_list[index]
num_conversations = len(conversation_indices)
batch_features = numpy.empty(shape = (num_conversations, max_conversation_length, timesteps),
dtype = int)
label_list = []
for i in range(num_conversations):
utterances = dataset_x[conversation_indices[i]]
labels = copy.deepcopy(dataset_y[conversation_indices[i]])
num_utterances = len(utterances)
num_labels_to_append = max(0, max_conversation_length - len(labels))
labels += [tag_index_to_append] * num_labels_to_append
tags = to_categorical(labels, num_tags)
del labels
for j in range(num_utterances):
utterance = copy.deepcopy(utterances[j])
num_to_append = max(0, timesteps - len(utterance))
if num_to_append > 0:
appendage = [word_index_to_append] * num_to_append
utterance += appendage
batch_features[i][j] = utterance
del utterance
remaining_space = (max_conversation_length - num_utterances, timesteps)
batch_features[i][num_utterances:] = numpy.ones(remaining_space) * word_index_to_append
label_list.append(tags)
batch_labels = numpy.array(label_list)
del label_list
yield batch_features, batch_labels
培训功能：
def train_kadjk(model, training, validation, num_epochs_to_train, tag_indices, max_mini_batch_size,
max_conversation_length, timesteps, num_word_dimensions, num_tags,
end_of_line_word_index, uninterpretable_label_index):
training_mini_batch_list = form_mini_batches(training[0], max_mini_batch_size)
validation_mini_batch_list = form_mini_batches(validation[0], max_mini_batch_size)
num_training_steps = len(training_mini_batch_list)
num_validation_steps = len(validation_mini_batch_list)
early_stop = EarlyStopping(patience = 5)
change_learning_rate = LearningRateScheduler(learning_rate_scheduler)
model.fit_generator(kadjk_batch_generator(training[0], training[1], tag_indices,
training_mini_batch_list, max_conversation_length,
timesteps, num_word_dimensions, num_tags,
end_of_line_word_index, uninterpretable_label_index),
steps_per_epoch = num_training_steps,
epochs = num_epochs_to_train,
validation_data = kadjk_batch_generator(validation[0], validation[1],
tag_indices,
validation_mini_batch_list,
max_conversation_length, timesteps,
num_word_dimensions, num_tags,
end_of_line_word_index,
uninterpretable_label_index),
validation_steps = num_validation_steps,
callbacks = [early_stop, change_learning_rate])
评价功能：
def evaluate_kadjk(model, testing, tag_indices, max_mini_batch_size, max_conversation_length,
timesteps, num_word_dimensions, num_tags,
end_of_line_word_index, uninterpretable_label_index):
testing_mini_batch_list = form_mini_batches(testing[0], max_mini_batch_size)
num_testing_steps = len(testing_mini_batch_list)
score = model.evaluate_generator(kadjk_batch_generator(testing[0], testing[1],
tag_indices,
testing_mini_batch_list,
max_conversation_length, timesteps,
num_word_dimensions, num_tags,
end_of_line_word_index,
uninterpretable_label_index),
steps = num_testing_steps)
print("len(score):" + str(len(score)))
print("score:" + str(score))
您可以浏览here以更全面地了解我正在研究的研究生论文项目，但我尝试提供所有可以提供帮助的人所需的所有相关功能。
造成这种情况的原因有很多种，其中每种原因都是从大多数随机化过程某些方面的DL模型中的策略中下降的。大多数输入例程将包括shuffle操作，随机化输入集的顺序作为平衡早期训练的方式。许多模型类型取决于以某种方式区分的初始权重（以允许对感知器进行差异化训练），这通常通过一些随机化功能来完成。
任何这些情况都会导致不同的训练结果，特别是早期训练。理想情况下，所有训练都会收敛到很小的准确度范围，但早期结果会有所不同。这不是一个问题。我们无法判断这是否是您的问题，因为您没有提供任何执行跟踪，例如转储所有初始权重或检查输入顺序。
如果您需要可重复的结果，那么您需要深入了解支持代码，确定使用RNG（随机数生成器）的位置，并执行以下两项操作之一：
在我的职业生涯中，我们通常都会设置随机种子，因为当我们成为控制狂时，很容易发表评论。 :-)我们不得不多次深入研究代码，因为我们代码的不同层有时会使用多个RNG;我们不得不为每个人强制种子。在Python和大多数其他语言中，调用很简单，例如
random.seed(1) # Sets 1 as the initial seed for the RNG.
我深深探讨了keras的Github问题，并在this评论中找到了错误的可能原因。
显然，类似于批量标准化层，使用Dropout层会导致变化，正如我在问题中所描述的那样。在训练期间，Dropout层会让神经元掉落。因此，当模型的训练完成时，并不是最初编译的模型中的所有神经元都存在。
如果使用函数keras_contrib.save_load_utils.save_all_weights保存模型权重，则保存模型的权重。但是，一旦终止该过程而不保存最终的神经元配置（而不仅仅是权重），模型的最终配置就会丢失。如上所述，here，save_all_weights，这是我用来保存模型的函数，不保存模型本身的配置。
因此，如果您在不同的进程中编译模型，并使用keras_contrib.save_load_utils.load_all_weights加载您保存的权重，即使您使用在上一次运行中测试的相同数据测试模型，新编译的模型还有一些额外的神经元，在原始模型的训练期间退出了。这种配置上的差异，以及它们可能（并且在这种情况下）是用随机权重初始化的事实，导致评估在每次运行时给出不同的准确率。
解决方案似乎不仅记录了权重，还记录了所有配置。这可以简单地通过使用模型实例的save方法而不是keras_contrib.save_load_utils.save_all_weights来完成。显然，要在不同的过程中加载整个模型，应该使用keras.models.load_model而不是keras_contrib.save_load_utils.load_all_weights。